盒子简化

其他 社区

技能解读

当前原文的自动摘译,尚未人工审校。

确定 .json 文件路径

当前 benchmark 结构下,测试用例存储在 .json 文件中(与 model.py 配套),并应在 Phase 1 被复制到 {output_dir}/ 目录中。按以下优先级确定要处理的 .json 文件: 读取 {output_dir}/model.py,分析 get_input_groups() 函数中引用的 .json 文件名(例如 os.path.join(os.path.dirname(__file__), "xxx.json")),据此在 {output_dir} 内确定目标 .json 文件。由于 model.py 的 __file__ 解析为 model.py,get_input_groups() 通常查找的是 model.json,因此目标文件为 {output_dir}/model.json。 如果 model.py 中没有显式引用,则直接查找 {output_dir} 目录下因 Phase 1 复制而存在的 .json 文件(排除 .json.bak)作为目标。

关键限制

只允许修改确定的目标 .json 文件,不要修改 {output_dir}/model.py 中的任何内容。 只允许修改或新增 {output_dir}/ 目录中的文件,不要改动其他目录中的文件。 只允许读取当前工作区目录结构内的文件与子目录;禁止读取当前工作区之外的任何路径。

前置操作

在精简前,务必将目标 .json 文件备份为同名的 .json.bak(例如 model.json.bak),以便后续全量验证时恢复。如果 <op_name>.json 是独立文件(非 model.json),也需一并备份。

精简原则

精简后的 cases 必须满足以下覆盖要求,按优先级从高到低: dtype 覆盖:原 cases 中出现的每种 tensor dtype(如 float16、float32、bfloat16 等)至少保留一个 case。 attribute 可选值覆盖:对于 type: "attr" 的输入,覆盖其在原 cases 中出现的不同取值类别(例如 bool 型的 True/False、正数/负数/零等边界值)。如果原始 attr 值变化很多,不要求每个值都保留,但要保留具有代表性的边界值。 shape 维度覆盖:覆盖原 cases 中出现的不同 tensor 维度数(1维、2维、3维、4维等),每种维度至少保留一个 case。 shape 极端值覆盖:保留极端小(如最小 shape)和极端大(如最大 shape)的 case。

流程

读取 .json 文件:该文件为 JSON Lines 格式,每行是一个独立的 JSON 对象,结构通常为 {"inputs": [...]}。逐行解析,提取所有 case。 统计分析:统计原始 cases 的 dtype 集合、attr 值集合、shape 维度集合、shape 大小范围、是否存在 broadcasting。 选取 case:按上述精简原则选取不超过 10 个代表性 case,尽量让每个 case 同时覆盖多个维度的差异。 写回 .json 文件:将筛选后的 case 以 JSON Lines 格式写回原 .json 文件(每行一个 json.dumps(...) 对象,保持与原始格式一致),保持 model.py 不变。

流狐档案 运行与权限由流狐静态检查推断,不代表作者声明或实际测试结果。
领域
通用
作者声明的智能体
未找到明确声明;不据此推断已兼容或已测试
静态检查
88 / 100 · 启发式扫描,不代表运行安全
运行环境证据
未执行;当前没有隔离运行测试证据
作者 / 版本 / 许可证
@Just-it · 未声明许可证
上下文用量评级
低消耗
接入复杂程度
即装即用
是否需要外部接口密钥
不需要
兼容的系统
未声明(默认跨平台)
运行环境要求
未检出明确要求
检测到的文件与系统行为
  • 只读
网络行为
仅限本地
安装命令数
无(仅作为资料)

需要注意: 未声明工具权限范围;实际权限由运行环境决定。

作者说明文件(原文) SKILL.md

# 测试用例精简 Skill

你是一名测试用例精简专家。你的目标是读取 `{output_dir}` 中与算子对应的 `.json` 文件,对其中的输入 cases 进行精简,使 case 数量尽量不超过 10 个,同时保证覆盖度。

## 确定 `.json` 文件路径

当前 benchmark 结构下,测试用例存储在 `.json` 文件中(与 `model.py` 配套),并应在 Phase 1 被复制到 `{output_dir}/` 目录中。按以下优先级确定要处理的 `.json` 文件:

1. 读取 `{output_dir}/model.py`,分析 `get_input_groups()` 函数中引用的 `.json` 文件名(例如 `os.path.join(os.path.dirname(__file__), "xxx.json")`),据此在 `{output_dir}` 内确定目标 `.json` 文件。由于 `model.py` 的 `__file__` 解析为 `model.py`,`get_input_groups()` 通常查找的是 `model.json`,因此目标文件为 `{output_dir}/model.json`。
2. 如果 `model.py` 中没有显式引用,则直接查找 `{output_dir}` 目录下因 Phase 1 复制而存在的 `.json` 文件(排除 `.json.bak`)作为目标。

优先使用 `{output_dir}/model.json`(`model.py` 按 `__file__` 查找同名 `.json`),同时保留 `<op_name>.json` 作为原始备份。如果找不到有效的 `.json` 文件,报错并停止。

## 关键限制
- 只允许修改确定的目标 `.json` 文件,不要修改 `{output_dir}/model.py` 中的任何内容。
- 只允许修改或新增 `{output_dir}/` 目录中的文件,不要改动其他目录中的文件。
- 只允许读取当前工作区目录结构内的文件与子目录;禁止读取当前工作区之外的任何路径。

## 前置操作
在精简前,务必将目标 `.json` 文件备份为同名的 `.json.bak`(例如 `model.json.bak`),以便后续全量验证时恢复。如果 `<op_name>.json` 是独立文件(非 `model.json`),也需一并备份。

## 精简原则

精简后的 cases 必须满足以下覆盖要求,按优先级从高到低:

1. **dtype 覆盖**:原 cases 中出现的每种 tensor dtype(如 float16、float32、bfloat16 等)至少保留一个 case。
2. **attribute 可选值覆盖**:对于 `type: "attr"` 的输入,覆盖其在原 cases 中出现的不同取值类别(例如 bool 型的 True/False、正数/负数/零等边界值)。如果原始 attr 值变化很多,不要求每个值都保留,但要保留具有代表性的边界值。
3. **shape 维度覆盖**:覆盖原 cases 中出现的不同 tensor 维度数(1维、2维、3维、4维等),每种维度至少保留一个 case。
4. **shape 极端值覆盖**:保留极端小(如最小 shape)和极端大(如最大 shape)的 case。
5. **广播模式覆盖**(如适用):如果原 cases 中存在 broadcasting 场景(shape 不完全一致的 tensor 对),保留至少一个 broadcasting case。

## 流程

1. **读取 `.json` 文件**:该文件为 **JSON Lines** 格式,每行是一个独立的 JSON 对象,结构通常为 `{"inputs": [...]}`。逐行解析,提取所有 case。
2. **统计分析**:统计原始 cases 的 dtype 集合、attr 值集合、shape 维度集合、shape 大小范围、是否存在 broadcasting。
3. **选取 case**:按上述精简原则选取不超过 10 个代表性 case,尽量让每个 case 同时覆盖多个维度的差异。
4. **写回 `.json` 文件**:将筛选后的 case 以 JSON Lines 格式写回原 `.json` 文件(每行一个 `json.dumps(...)` 对象,保持与原始格式一致),保持 `model.py` 不变。

讨论

基于 GitHub Discussions。登录 GitHub 即可参与讨论、点赞、订阅更新。